Personal Verification Using Palmprint and Hand Geometry Biometric | Avuç İzi ve El Şekli Özelliklerinin Birleşimi ile Kimlik Doğrulama

16.11.2008 | 1:18 am | imge işleme, yazılım

Personal Verification Using Palmprint and Hand Geometry Biometric

AVUÇ İZİ VE EL ŞEKLİ ÖZELLİKLERİNİN BİRLEŞİMİ İLE KİMLİK DOĞRULAMA

Ajay Kumar1, David C. M. Wong1, Helen C. Shen1, Anil K. Jain 2

1 Department of Computer Science, Hong Kong University of Science and Technology,

Clear Water Bay, Hong Kong.

{ajaykr, csdavid, helens}@cs.ust.hk

2 Pattern Recognition and Image Processing Lab, Department of Computer Science and

Engineering, Michigan State University, East Lansing, MI 48824.

jain@cse.msu.edu

Çeviri ve Gerçekleme:

Murat MUTLU

Kocaeli Üniversitesi Elektronik ve Haberleşme Mühendisliği

murat@mutlumurat.com

Özetçe

Kimlik tespitinde el resmi kullanımına yeni bir yaklaşım sunulmaktadır. Bu çalışma, avuç izine dayalı tanıma sistemlerini el şekli özellikleri ile birleştirerek performanslarını arttırmayı amaçlamaktadır. Diğer çift doruklu biyometrik sistemlerden farklı olarak, kullanıcılar iki ayrı sensör kullanma zahmetine katlanmak zorunda kalmamaktadır, avuç izi ve el şekli özellikleri tek imgeden elde edinilebilmektedir, hem de dijital kamera kullanarak. Bu gri seviye imgelerinden her biri hizalanıyor ve ardından avuç izi ile el şekli özelliklerinin çıkarımında kullanılıyor. Bu özellikler, tekli ve çoklu performansları için incelenecekler. Bu çalışmada sıradan bir resim alma düzeneği kullanılıyor, ne özel bir aydınlatma kullanıyor ne de kullanıcıları sabit kalma zahmetine sokuyor. 100 kişiden aldığımız imge verileri üzerindeki deneysel sonuçlarımız, el şekli özellikleri ile avuç izini sıradan bir resim alma düzeneği ile birleştirmenin faydalarını doğrulamaktadır.

Abstract

A new approach for the personal identification using hand images is presented. This paper attempts to improve the performance of palmprint-based verification system by integrating hand geometry features. Unlike other bimodal biometric systems, the users do not have to undergo the inconvenience of using two different sensors since the palmprint and hand geometry features can be acquired from the same image, using a digital camera, at the same time. Each of these gray level images are aligned and then used to extract palmprint and hand geometry features. These features are then examined for their individual and combined performances. The image acquisition setup used in this work is inherently simple and it does not employ any special illumination nor does it use any pegs to cause any inconvenience to the users. Our experimental results on the image dataset from 100 users confirm the utility of combining hand geometry features with those from palmprints using a simple image acquisition setup.

1 Giriş

Kişisel kimlik doğrulamada güvenilirlik, ağ toplumun güvenliğin anahtarıdır. İnsanların çoğu fiziksel özellikleri yani biyometrikler, zamanla değişmez, saptanması kolay ve her biri ayrı ayrı benzersizdir. Biyometrik özellikler, mesela yüz, iris, parmak izi, el şekli, avuç izi, imza v.b. , geçiş kontrollerinde güvenlik için önerilmiştir. Güncel biyometrik araştırmalarının çoğu parmak izi ve yüze odaklıdır [1]. Kişisel kimlik tespiti güvenilirliğinde yüz kullanımı günümüzde az olduğu gibi araştırmalarda poz, ışıklandırma, konum ve jest gibi problemlerle boğuşarak devam etmektedir [2]. Parmak izi tespiti, kimlik tespitinde yaygın olarak kullanıldığı gibi çoğu durumda da iyi çalışmaktadır. Ancak el işçileri, yaşlı insanlar v.b. gibi bazı kesim insanlar için parmak izi özelliklerini yani ayrıntıları saptamak zordur. Sonuç olarak diğer biyometrik özellikler giderek ilgi çekmektedirler. Ayrıca çoğu biyometrik özellikleri, mesela avuç izi, kimlik tespit güvenliğinin seviyesini arttırmak için var olan kimlik tespit sistemleriyle kolaylıkla birleştirilebilir.

1.1 Önceki Çalışmalar

Düşük çözünürlüklü[1] el fotoğraflarından biyometrik göstergelerin iki çeşidi çekilebilir; (i) ana çizgilerden, kırışıklıklardan, ayrıntılardan, delta noktasından v.b. oluşan avuç izi özellikleri ve (ii) avuç alanını/boyutunu, uzunluğunu ve parmakların genişliğini içeren el şekli özellikleri. Avuç izi özellikleri kullanarak kimlik doğrulama büyük ilgi çekmektedir ve araştırmalar çeşitli yöntemlerden kurulmuştur [3]-[15]. Genel bir yaklaşım avuç izini, her biri farklı dokulu resim gibi farz eder. Bu yüzden literatürdeki avuç izi analizleri, Gabor filtresi [3], küçük dalga [4], Fourier dönüşümü [5], lokal doku enerjisinden [6] kurulmuştur. Parmak izi ile karşılaştırıldığında avuç izi çok fazla çizgiye sahiptir. Wu (kaynak [7]), yönsel çizgi enerjileri ile bu çizgileri tavsif eder ve bunları avuç izi tanımlamada kullanır. Önde gelen bazı ana çizgilerin, yani kalp çizgisi, baş çizgisi ve hayat çizgisi, son noktaları değişmez rotasyonludur. Bazı yazarlar [8]-[9] avuç izi eşleştirmede, ana çizgilerin geometrik ve yapısal özelliklerini kaydetmek için bu son noktaları ve orta noktaları kullanırlar. Duta (kaynak [10]), seçilmiş avuç çizgilerinin bağlanılabilirliğinin önemli olmadığını ortaya sürmüştür. Bu yüzden önemli avuç çizgileri boyunca özellik noktaları olarak, seçilmiş avuç çizgilerinin yerine, avuç izi doğrulamak için eşleştirme puanı oluşturmada kullanılırlar. Avuç izi deseni, parmak izi desenine benzer şekilde kabartma çizgiler ve ayrıntılar içerir. Ancak avuç izinde çizgiler ve kabartılar çoğu kez diğerleriyle üst üste biner ve kesişirler. Bu yüzden Funda (kaynak [11]), lokal avuç izi özelliklerini ayrıştırmayı, yani kabartıları çizgilerden ayrıştırmayı önermiştir. Ancak bu çalışma yalnızca kabartıların çıkarımıyla sınırlıdır ve avuç izi tespitinde ayrıştırılmış kabartıların başarısını desteklemekten öteye gidemez. Chen (kaynak [12]), avuç izi çizgi noktalarını, lokal gri seviye-yönlü haritadan üreterek kestirme girişiminde bulunmuştur. Bu çizgi noktaları, eşleştirme işleminde kullanılan çizgi bölümlerinin şekli içinde çizgiyi yalıtmak için bağlanırlar. [12]’de, avuç izi eşleştirme için kısmen çıkarılmış bu çizgilerin sağlamlığını önerecek detaylar yoktur. Avuç izi doğrulamada bazı ilişkili çalışmalar [13] ve [14]de de görülmektedir. Han’in (kaynak [15]) yeni bir çalışması, morfolojik ve Sobel kenar özelliklerini, avuç izi tanımlama ve doğrulamalarında sinir ağı sınıflandırıcı takımı için kullanmaktadır. [5]-[12]’deki avuç izi tespiti yöntemleri, mürekkeplenmiş avuç izi resimlerinden faydalanırken [4] ve [15]’deki yeni çalışmalar, dijital tarayıcıdan alınan mürekkepsiz avuç izi resimlerinin faydalarını göstermiştir. Bununla birlikte [3] ve [13]’de CCD tabanlı dijital kamera kullanan imge yakalama sistemlerinden alınan avuç izi fotoğrafları üzerinde umut verici sonuçlar görülmektedir.

Birleşik Devletler patent ofisi, kimlik doğrulama için el şekli özelliklerini ölçen aletler için birkaç patent yayınladı ([16] [19]). [20], [21]’de görülüyor ki bazı ilişkili çalışmalar, düşük çözünürlüklü dijital el resimleri kullanıyorlar. Bu yazarlar el hareketini sınırlamak için sabitleme askısı kullanıyorlar ve umut verici sonuçlar görülmektedir. Ancak [20]-[21]’de sonuçlar, veri tabanının küçük bir kısmı tarafından etkilenmiş olabilir ve bir dolandırıcı, sahte bir el kullanarak kolaylıkla sistemin bütünlüğünü bozabilir.

1.2 Önerilen Sistem

Avuç izi ve el şekli imgeleri, tek bir kare el resminden aynı anda elde edilebilir. Diğer çoklu biyometrik sistemlerden (örneğin; yüz ve parmak izi [23], ses ve yüz [24], vb.) farklı olarak, kullanıcı farklı sensörlerden geçme zahmeti altına girmek zorunda kalmamaktadır. Üstelik el şekli doğrulama sisteminin, avuç izi özellikleri ile birleşimimde sahte el ile ilgili hile bastırılabilmektedir. Bu çalışma kimlik tespitinde avuç izi ve el şekli özellikleri kullanarak yeni bir yöntem sunuyor ki bunlar tek bir kare el fotoğrafında eş zamanlı olarak görülebiliyor. Kurulu sistemin blok diyagramı Şekil 1’de görülmektedir.

Şekil 1: Avuç izi ve el şekli özellikleri kullanan kimlik doğrulama sisteminin blok diyagramı.

Şekil 2: Dijital kamera ile tipik bir imge yakalama örneği.

Her kullanıcının el resimleri otomatik olarak avuç izi ve el şekli özelliklerini çıkarmak için kullanılır. Bu dijital kameradan görünen imgenin, ilk eşiklenmesi ile başarılmaktadır. Sonuç olarak meydana gelen ikili (bir bit) imge elin yönelimini tahmin etmek için kullanılır, çünkü askıların yokluğunda kullanıcı her zaman elini tercih edilmiş bir yöne doğru hizalamaz. Döndürülmüş ikili imge el şekli özelliklerinin hesaplanması için kullanılır. Bu imge aynı zamanda bilinen bir yapılanma öğesi (YÖ) ile morfolojik erozyondan kalan avuç izinin merkezinin tahmin edilmesinde kullanılır. Bu merkez nokta, döndürülmüş gri seviye imgede sabitlenmiş bir boyuttan avuç izi imgesinin çıkarılmasında kullanılır. Bu avuç izi imgelerinin her biri, dikkati çeken özelliklerin çıkarımında kullanılır. Böylece avuç izi ve el şekli özellikleri ayrı ayrı, aynı el imgesinden bulunabilir. Özelliklerin birleşimi için iki şema düşünülmüştür, karar seviyesinde ve temsil seviyesinde birleşim. Karar seviyesinde birleşim, bölüm 5’te de detaylı bir şekilde gösterildiği gibi daha iyi sonuçlar vermektedir.

2 İmge Yakalama ve Hizalama

İmge yakalama düzeneğimiz son derece sıradan, ne özel bir aydınlatma kullanıyor ([3]deki gibi), ne de kullanıcıları zahmete sokacak her hangi bir askı kullanıyor ([20]deki gibi). El resimlerini yakalamak için, Şekil 2’de gösterildiği gibi dijital kamera (1280 X 960) kullanılıyor. Kullanıcılardan yalnızca (i) parmaklarının birbirine değmediğinden ve (ii) ellerinin (arka tarafının) tamamen arka plana değdiğinden emin olmaları istenmektedir.

2.1 El Şekli İmgelerinin Çıkarılması

Eşleştirme için aynı özellikler yakalanacağına göre, görünen her imgenin öncelikli yöne hizalanması gerekmektedir. İmge eşikleme işlemi, ikili el-şekli imgesini bulmak için kullanılmaktadır. Eşik değeri Otsu yöntemi [25] kullanılarak otomatik olarak hesaplanıyor. İmge arka planı durağan (siyah) olduğu sürece eşik değeri bir kez hesaplanır ve sonraki imgeler için kullanılır. Elin tepe noktası ile imgenin en alt satırının orta noktası arasında bir doğru çizilerek bu doğrunun eğimi ile elin yönelim açısı hesaplanmaktadır. Şekil 3’te gösterildiği gibi, ikili imge döndürülmekte ve el şekli özelliklerinin hesaplanmasında kullanılmaktadır. İkili imgenin ayrıştırılan yönelimi aynı zamanda gri seviye imgenin döndürülmesinde de kullanılmaktadır.

Şekil 3: El imgesinden iki biyometrik şeklin çıkarılması.

(a) dijital kamerayla çekilen imge, (b) ikili imge ve yönelim hesabı için elips ayarlama,

(c) döndürülmüş ikili imge, (d) döndürülmüş gri seviye imge, (e) ROI, yani erozyondan sonra (c)den, imgenin merkezinden çıkarılmış avuç izi.

2.2 Avuç İzi İmgelerinin Çıkarılması

İlgilenilen bölgeyi yani avuç izini hesaplamak için her ikili el şekli imgesi, bilinen yığın öğesi (YÖ) ile morfolojik erozyona maruz kalmaktadır. Verilen ikili imgede R sıfır olmayan pikseller kümesi olsun, YÖ de yani yığın öğesi de sıfır olmayan pikseller kümesi olsun. Morfolojik erozyon aşağıdaki gibi tanımlanır.

RQYÖ = {g : YÖg Í R} , (1)

YÖg, referans noktası g piksel değiştirilmiş yığın öğesini göstermektedir. Bir kare yığın öğesi, birleşik ikili imge ölçmek için kullanılmaktadır. İkili imgenin erozyondan sonraki merkezinin, yani karenin merkezinin, kalanı kapsayabildiği saptanmıştır. Bu merkez koordinatları, şekil 3’te görüldüğü gibi sabitlenmiş boyuttaki avuç izi bölgesinin çıkarımında kullanılmaktadır.

2.3 Avuç İzinin Normalizasyonu

Çıkarılmış avuç izi imgeleri, önceden belirlenmiş ortalama ve değişinti değerlerine sahip olmak için normalize edilirler. Normalizasyon, imgedeki sensör gürültüsü ve eş olmayan ışıklandırmadan dolayı oluşabilecek kusurları azaltmak için kullanılır. Normalizasyon yöntemi olarak bu çalışmada, [27] de önerilen yöntemin aynısı kullanılmaktadır ve deneylerimizde görünen, imgenin kalitesi için yeterlidir. I(x,y) ile temsil edilen avuç izi imgesinde gri seviye (x,y) olsun. İmgenin ortalama ve değişinti değerleri, sırasıyla f ve r, piksellerin gri seviyelerinden hesaplanabilir. Normalize edilmiş imge I’(x, y), piksel yöntemi işlemi ile aşağıda gösterildiği gibi hesaplanabilir.

f_d ve r_d sırasıyla ortalama ve değişinti için istenen değerlerdir. Bu değerler imge özelliklerine yani I(x,y)’e göre önceden ayarlanmıştır. Tüm deneylerimiz de f_d ve r_d değerleri 100’ sabitlenmiştir. Şekil 4’de tipik avuç izi imgesinin normalizasyondan önceki ve sonraki hali görülmektedir.

Şekil 4: Avuç izi özelliklerinin çıkarılması; (a) ayrılmış imge, (b) normalizasyondan sonraki imge, yönsel filtre maske ile filtrelenmiş imgeler; yönelim (c)’de 0^o , (d)’de 90^o , (e)’de 45^o , (f)’de 135^o , (g) kararlı imge ve (f) üst üste binmiş bloklardan özellikler çıkarılmıştır.

3 Özellik Çıkarımı

3.1 Avuç İzi Özelliklerinin Çıkarımı

Avuç izi dokusu esasen avuç çizgilerinden oluşmuştur, yani ana çizgilerden ve hatlardan. Çizgi özellikleri eşleştirmenin ([8],[15]) avuç izi doğrulamada, etkili olduğu ve yüksek doğruluk verdiği bildirilmiştir. Ancak avuç çizgilerinin büyüklüklerini ve yönlerini gürültülü imgelerde, hatasız bir şekilde tanımlamak çok zordur.

Normalize edilmiş imgede çizgi özellikleri, dört çizgi algılayıcı ([28]) veya yönelimsel maskeler kullanılarak saptanmaktadır. Bu maskelerden her biri bir yöndeki çizgileri saptayabilir; 0^o’de (h₁), 90^o’de (h₂), 45^o’de (h₃), 135^o’de (h₄). Bu maskelerin uzamsal boyutları deneysel olarak 9×9 boyutuna sabitlenmişleridir. Bu maskelerin her biri I’(x, y)’yi aşağıdaki gibi filtrelerler.

I₁(x,y) = h₁* I’(x, y) (3)

‘*’ simgesi 2B ayrık konvolüsyonu ifade eder. Böylece dört filtrelenmiş imge, yani I₁(x,y), I₂(x,y), I₃(x,y) ve I₄(x,y), çıkış imgesi I_ç(x,y) oluşturmak için kullanılırlar.

I_ç(x,y) = max{I₁(x,y),I₂(x,y),I₃(x,y),I₄(x,y)} (4)

Sonuç olarak meydana gelen imge, avuç izi I(x,y)’nin birleşik yönlü haritasını gösterir. Bu I_ç(x,y) imgesi, lokal özellikler yani standart sapma tarafından tanımlanmıştır ve doğrulamada kullanılır. I_ç(x,y) n bloklu bir kümeye bölünmüştür ve üst üste binmiş bu blokların standart sapmaları özellik vektörünü oluşturmak için kullanılır.

v_avuç = {s₁, s₂, …, s_n } (5)

s₁ , üst üste bindirilmiş ilk bloğun standart sapması (Şekil 4).

3.2 El Şekli Özelliklerinin Çıkarımı

Şekil 3(c)’de gösterilen ikili imge[1], kayda değer el şekli özelliklerini hesaplamakta kullanılmaktadır. Toplamda 16 el şekli özelliği kullanılmaktadır (Şekil 5); 4 parmak uzunluğu, 8 parmak genişliği (bir parmak için iki genişlik), avuç genişliği, avuç uzunluğu, el alanı ve el uzunluğu. Bu şekilde her el imgesinin şekli, uzunluğu 1×16 olan v_hg özellik vektörü tarafından tanımlanır.

Şekil 5: El şekli özellikleri çıkarımı.

4 Bilgi Birleştirme ve Eşleştirme Ölçütü

Çoklu ispat parçaları, literatürde geçen bilgi birleştirme numaraları ile tümleştirilebilir ([29]-[31]). Biyometri bağlamında üç seviye bilgi birleştirme şeması önerilmiştir. (i) Temsil seviyesinde birleştirme, çoklu biyometriklerinin, özellik vektörlerinin, tümleşik bir özellik vektöründen bağlandığı yer, (ii) karar seviyesinde birleştirme, son karar puanının oluşturulması için çoklu biyometrik sistemlerinin karar puanlarının tümleştirildiği yer, (iii) kuramsal seviyede birleştirme ([31]), çoklu biyometrik sistemlerinden gelen çoklu kararların birleştirildiği yer ([31]). İlk iki birleştirme şeması çift doruklu biyometrik sistemler için daha anlamlıdır ve bu çalışmada dikkate alınmıştır.

v₁ (kullanıcının özellik vektörü) ile v₂ (istendiği gibi saklanmış kimlik bilgisi) arasındaki benzerlik ölçümü eşleşme skoru olarak kullanılmaktadır ve aşağıdaki gibi hesaplanmaktadır.

Bu eşitlikte tanımlı olan benzerlik ölçümü, özellik vektörleri v₁ ve v₂ arasındaki normalize edilmiş ilintiyi hesaplamaktadır. Doğrulama sürecinde kullanıcıdan kimliğini göstermesi istenmektedir. Eğer yukarıdaki eşitlikteki (6) eşleştirme skoru, önceden belirlenmiş eşik değerinden düşük çıkarsa kullanıcının sahtekar olduğu var sayılır, aksi halde kendisinin gerçek olduğuna karar kılarız.

5 Deneyler ve Sonuçlar

Bu çalışmada belirtilen deneylerde, bölüm 2’de kararlaştırıldığı gibi dijital kameradan alınan mürekkepsiz el imgeleri kullanılmıştır. Her kullanıcıdan 10 örnek olmak üzere 100 kullanıcıdan 1000 adet el imgesi toplanmıştır. Her bir kullanıcıda ilk beş imge denemek için, son beş imge test etmek için. Avuç izi imgeleri 300×300 piksel boyutunda, bölüm 2.2 de tanımlandığı gibi otomatik olarak çıkarılmıştır. Her bir avuç izi imgesi, 24×24 piksel boyutunda 144 bindirilmiş bloğa bölünmüştür, 6×6 pikseli (%25) bindirilerek. Bu şekilde her bir avuç izi imgesinde 1×144 özellik vektörü elde edilmiştir. Şekil 6, avuç izi ve el şekli özellikleri kullanarak, gerçek ve sahtenin eşleştirme skorlarının dağılımını göstermektedir. Algılayıcı, üç ayrı durum için özellik eğimi işliyor, (i) yalnız el şekli, (ii) yalnız avuç izi, (iii) max kuralı ile karar seviyesi birleştirme kullanımı, yani avuç izinden veya el şeklinden benzerlik ölçümü yüksek olan, şekil 7’de görüldüğü gibi.

Şekil 6: İki biyometrinin, gerçek ve sahte skorlarının dağılımı.

Şekil 7: Karar seviyesinde birleştirme kullanılan, avuç izi ve el şekli özelliklerinin karşılaştırmalı performansı.

Bazı kullanıcılar, çekim tahtasına avuçlarını ya da parmaklarını değdiremediler. Böyle imgeleri kullanmak zordu. Esasen ölçeğin değişmesinden dolayı, bu imgeler düşük kaliteli olarak işaretlendi. Bu şekilde toplam 28 adet imge tanımlandı ve kaldırıldı. 472 test için FAR ve FRR skorları, toplam minimum ölçütlenmesinde kullanıldı, yani tablo 1’de görülen, FAR ve FRR toplamda minimum olduğu karar eşiği. Şekil 8’de iki birleştirme şemasının karşılaştırmalı performansı gösterilmektedir. Karar seviyesi birleştirme (max kuralı) kullanarak, iki sınıf için tümleşik eşleştirme skorlarının birikimli dağılımı Şekil 9’da gösteriliştir.

Tablo 1: 472 deneyde toplam minimum hata için performans puanları.

Şekil 8: 472 test için karşılaştırmalı performans.

Şekil 9: 472 testte iki sınıfın benzerlik puanlarının karşılaştırmalı dağılımı.

6 Sonuç

Bu çalışmanın amacı, avuç izi ve el şekli özelliklerinin birleşimini araştırmaktı ve yüksek performansı yakalamak tek bir göstergeyle mümkün olmayabilirdi. Şekil 6’daki, 100 kişiden alınarak elde edilen sonuçlar bu durumun doruluğunu kanıtlıyor. Bu sonuçlar, sıradan imge yakalama düzeneğinden ayrı bir bağlamda değerlendirilebilir; kontrol edilmiş ışıklandırma/çevre hazırlığı içerisinde, performansta ek artış beklenmektedir. Ayrı sensörlere/resimlere ihtiyaç duyan çift doruklu biyometrik sistemlerden farklı olarak, başarılı sonuçlar, iki biyometrik özelliğin tek bir imgeden çıkarılmasından ötürü kayda değerdir. Sonuçlarımız aynı zamanda göstermektedir ki karar seviye birleşimi maksimum kuralı ile birlikte, temsil seviye birleşiminden daha iyi performans yakalarlar.

Kaynakça

1. A. K. Jain, R. Bolle, and S. Pankanti, Biometrics: Personal Identification in Networked Society,

Kulwer Academic, 1999.

2. M.-H. Yang, D. J. Kriegman, and N. Ahuja, “Detecting faces in images: A Survey,” IEEE Trans.

Patt. Anal. Machine Intell., vol. 24, pp. 34-58, Jan. 2002.

3. W. K. Kong and D. Zhang, “Palmprint texture analysis based on low-resolution images for personal

authentication,” Proc. ICPR-2002, Quebec City (Canada).

4. A. Kumar and H. C. Shen, “Recognition of palmprints using wavelet-based features,” Proc. Intl.

Conf. Sys., Cybern., SCI-2002, Orlando, Florida, Jul. 2002.

5. W. Li, D. Zhang, and Z. Xu, “Palmprint identification by Fourier transform,” Int. J. Patt. Recognit.

Art. Intell., vol. 16, no. 4, pp. 417-432, 2002.

6. J. You, W. Li, and D. Zhang, “Hierarchical palmprint identification via multiple feature

extraction,” Pattern Recognition., vol. 35, pp. 847-859, 2002.

7. X. Wu, K. Wang, and D. Zhang, “Fuzzy directional energy element based palmprint

identification,” Proc. ICPR-2002, Quebec City (Canada).

8. W. Shu and D. Zhang, “Automated personal identification by palmprint,” Opt. Eng., vol. 37, no. 8,

pp. 2359-2362, Aug. 1998.

9. D. Zhang and W. Shu, “Two novel characteristics in palmprint verification: datum point invariance

and line feature matching,” Pattern Recognition, vol. 32, no. 4, pp. 691-702, Apr. 1999.

10. N. Duta, A. K. Jain, and Kanti V. Mardia, “Matching of palmprint,” Pattern Recognition. Lett.,

vol. 23, no. 4, pp. 477-485, Feb. 2002.

11. J. Funada, N. Ohta, M. Mizoguchi, T. Temma, K. Nakanishi, A. Murai, T. Sugiuchi, T.

Wakabayashi, and Y Yamada, “Feature extraction method for palmprint considering elimination of

creases,” Proc.14th Intl. Conf. Pattern Recognition., vol. 2, pp. 1849 -1854, Aug. 1998.

12. J. Chen, C. Zhang, and G. Rong, “Palmprint recognition using crease,” Proc. Intl. Conf. Image

Process., pp. 234-237, Oct. 2001.

13. D. G. Joshi, Y. V. Rao, S. Kar, V. Kumar, “Computer vision based approach to personal

identification using finger crease pattern,” Pattern Recognition, vol. 31, no. 1, pp. 15-22, 1998.

14. S. Y. Kung, S. H. Lin, and M. Fang,” A neural network based approach to face/palm recogn ition,”

Proc. Intl. Conf. Neural Networks, pp. 323-332, 1995.

15. C. -C. Han, H.-L. Cheng, C.-L. Lin and K.-C. Fan, “Personal authentication using palm -print

features,” Pattern Recognition, vol. 36, pp. 371-381, 2003.

16. D. P. Sidlauskas, “3D hand profile identification apparatus,” U. S. Patent No . 4736203, 1988.

17. I. H. Jacoby, A. J. Giordano, and W. H. Fioretti, “Personal identification apparatus,” U. S. Patent

No. 3648240, 1972.

18. R. P. Miller, “Finger dimension comparison identification system,” U. S. Patent No. 3576538,

1971.

19. R. H. Ernst, “Hand ID system,” U. S. Patent No. 3576537, 1971.

20. R. Sanchez- Reillo, C. Sanchez-Avila, and A. Gonzales-Marcos, “Biometric identification through

hand geometry measurements,” IEEE Trans. Patt. Anal. Machine Intell., vol. 22, no. 10, pp. 1168-

1171, 2000.

21. A. K. Jain, A. Ross, and S. Pankarti, “A prototype hand geometry based verific ation system, Proc.

2nd Intl. Conf. Audio Video based Biometric Personal Authentication, Washington D. C., pp. 166-171,

Mar. 1999.

22. B. Miller, “Vital signs of identity,” IEEE Spectrum, vol. 32, no. 2,, pp. 22-30, 1994.

23. L. Hong and A. K. Jain, “Integrating face and fingerprint for personal identification,” IEEE Trans.

Patt. Anal. Machine Intell., vol. 20, pp. 1295-1307, Dec. 1998.

24. S. Ben-Yacoub, Y. Abdeljaoued, and E. Mayoraz, “Fusion of face and speech data for person

identity verification,” IEEE Trans. Neural Networks, vol. 10, pp. 1065-1074, 1999.

25. N. Otsu, “A threshold selection method from gray-scale histogram,” IEEE Trans. Syst., Man,

Cybern., vol. 8, pp. 62-66, 1978.

26. S. Baskan, M. M. Balut, and V. Atalay, “Projection based method for segmentation of human

face and its evaluation,” Pattern Recognition Lett., vol. 23, pp. 1623-1629, 2002.

27. L. Hong, Y. Wan, and A. K. Jain, “Fingerprint image enhancement : Algorithm and performance

evaluation,” IEEE Trans. Patt. Anal. Machine Intell., vol. 20, pp. 777-789, Aug. 1998.

28. J. R. Parkar, Algorithms for Image Processing and Computer Vision, John Wiley & Sons, 1997.

29. J. Kittler, M. Hatef, R. P. W. Duin, and J. Matas, “On combining classifiers,” IEEE Trans. Patt.

Anal. Machine Intell., vol. 20, pp. 226-239, Mar. 1998.

30. S. Prabhakar and A. K. Jain, “Decision level fusion in fingerprint verification,” Pattern

Recognition., vol. 35, pp. 861-874, 2002.

31. A. Ross, A. K. Jain, and J. -Zhang Qian, “Information fusion in biometrics,” Proc. AVBPA’01,

Halmstad, Sweden, pp. 354-359, Jun. 2001.

Bu yazı toplam 118, bugün ise 1 kez okunmuş.

Etiketler: algoritma, avuç izi, biometric, el şekli, hand geometry, IEEE, imge işleme, kimlik doğrulama, makale, palmprint